курсовая дерево принятия решений. курсач123ДПР. Первая. Анализ прикладной области. Требования к системе 4 Глава вторая. Постановка задачи

• Название: Первая. Анализ прикладной области. Требования к системе 4 Глава вторая. Постановка задачи
• Анкор: курсовая дерево принятия решений
• Дата: 01.06.2022
• Размер: 0.95 Mb.
• Имя файла: курсач123ДПР.docx
• Тип: Техническое задание; #563012
• страница: 1 из 6

^{Оглавление}

Введение 2

Глава первая. Анализ прикладной области. Требования к системе 4

Глава вторая. Постановка задачи 5

2.1 Цель разработки 5

2.2 Техническое задание. Общие требования к разрабатываемой системе, к данным и результатам 6

2.2.1. Требования к данным 6

2.2.2. Требования к функциональности 6

2.2.3. Требования к технологии разработки, проектирования и конструирования ПО 6

Глава третья. Проектирование ПО 7

3.1 Анализ аналогов автоматической оценки покупательской способности клиентов 7

3.2 Описание выбранного метода 8

3.3 Проектирование и описание используемой базы данных 8

Глава четвертая. Реализация ПО 10

4.1 Выбор инструментальных средств и описание характеристик программной системы 10

4.2 Разработка и описание интерфейса пользователя. Диаграмма вариантов использования 10

4.3 Описание компонентов системы. Зависимости системы 11

4.4 Требования к документации. 12

4.4.1 Инструкция пользователю. 12

4.4.2 Инструкция программисту 17

Заключение 21

Список используемых источников: 22

Листинг кода программы 23

Введение

В настоящее время проблема оценки потенциальных покупателей важна для эффективного распределения ресурсов в магазине.

При анализе больших объемов информации о покупателях очень трудно учитывать все параметры одновременно. Оценка покупательской способности на основе дерева принятия решений позволяет сделать вывод о том, нужно ли уделять особое внимание тому или иному покупателю. Именно для решения подобных задач используются алгоритмы классификации данных.

Актуальность данной работы обусловлена необходимостью создания системы оценки покупательской способности клиентов.

Такая система даст возможность автоматизировать процесс оценки покупателя.

Целью работы является разработка алгоритма для оценки покупательской способности.

Исходя из данной цели, а также учитывая указанные выше проблемы, формулируются следующие задачи:

1. 
   классификация на основе дерева решений;
   
2. 
   определение покупательской способности клиента;
   

В качестве объекта исследования рассматривается алгоритмы классификации на основе дерева решений.

Во введении описывается актуальность разработки проекта для конкретной области.

В первой главе был представлен анализ прикладной области, приводящий к конкретной постановке задачи.

Во второй главе подробнее рассматривается цель разработки проекта, перечень и методы решаемых задач, общие требования к данным и результатам на уровне вход/выход, постановка технического задания.

В третьей главе описано проектирование ПО. Рассматривается анализ аналогов решения, описание выбранных методов, мер точности и адекватности применяемых методов. Рассмотрено проектирование и описание системы хранения данных и систем знаний.

В четвертой главе описана реализация проекта. Обоснован выбор инструментальных средств, описаны характеристики программной системы, описание пользовательского интерфейса и используемых компонент системы. Представлены инструкции пользователю и программисту.

В заключение отражены основные результаты, полученные в результате выполнения курсового проекта, а также чем отличается разработанный проект от аналогов.

Глава первая. Анализ прикладной области. Требования к системе

Сущность классификации покупателей на основе дерева решений заключается в отнесении объектов к одному из заранее известных классов. Целевая переменная должна иметь дискретные значения.

Популярные алгоритмы, используемых для обучения деревьев решений, строятся на базе принципа «разделяй и властвуй». Задают общее множество S, содержащее:

• 
  n примеров, для каждого из которых задана метка класса Ci(i = 1..k);
  
• 
  m атрибутов Aj(j = 1..m), которые определяют принадлежность объекта к тому или иному классу.
  

Множество S состоит из обучающих примеров всех классов Ck. В таком случае множество разбивается на подмножества в соответствии с классами. Для этого выбирают один из атрибутов Aj множества S, состоящий из двух и более уникальных значений: a1, a2, …, ap), где p — число уникальных значений признака. Множество S разбивают на p подмножеств (S1, S2, …, Sp), состоящих из примеров с соответствующим значением атрибута. Процесс разбиения продолжается, но уже со следующим атрибутом. Он будет повторяться, пока все примеры в результирующих подмножества не окажутся одного класса.

Для обучения использовался алгоритм ID3 (Iterative Dichotomizer 3). Алгоритм позволяет работать только с дискретной целевой переменной. Деревья решений, построенные на основе ID3, получаются квалифицирующими. Число потомков в узле неограниченно. Алгоритм не работает с пропущенными данными.

Основные требования к работе системы:

• 
  Система должна позволять добавлять параметры.
  
• 
  Система должна оценивать покупателя по заданным параметрам